Jun, 2023

无法察觉的人类图像，可被机器识别

PDF
TL;DR本文提出了一种有效的隐私保护学习范式，通过对图像进行加密以实现人类不可察觉机器可识别，将这一方法应用于图像分类和目标检测，在 ImageNet 和 COCO 数据集上实验结果表明，这种方法可以实现与现有方法相当的准确性且能够确保加密图像的隐私安全。
privacy-preserving learningencrypted imagesneural networkscomputer visionobject detection
发现论文，激发创造
  • 只有我的模型与我的数据：一种保护模型并欺骗未经授权的黑盒模型的隐私保护方法

    通过生成可被人类感知的图像，本研究在保护模型准确推断的同时，回避其他类似或不同目标的非授权黑盒模型，以实现实际的隐私保护。

    Feb, 2024

  • 可学习的图像加密

    介绍了一种可学习的图像加密方案，用于保护图像隐私，在不侵犯隐私的前提下，通过加密的图像进行网络训练并得到验证。

    Mar, 2018

  • 面向隐私保护深度神经网络的图像加密方案攻击

    该研究针对深度神经网络中的图像应用提出了一种加密技术，并尝试通过选择明文和密文攻击来测试其安全性。

    Apr, 2020

  • 基于深度学习的图像去混淆技术

    利用基于人工神经网络的现代图像识别方法，我们证明了可以从经过各种混淆保护的图像中恢复隐藏的信息，包括像素化、模糊和加密等技术，我们还证明通过训练人工神经网络即使这些图像被保护，也可以成功识别面部、识别物体和手写数字。

    Sep, 2016

  • IEEE 大数据杯 2022：基于深度学习的加密图像隐私保护匹配

    本文介绍了一个基于深度卷积神经网络和数据增强技术的解决方案，用于 IEEE Big Data Cup 2022 挑战中隐私保护匹配加密图像的任务，并在该挑战中获得第一名。主要关键词为智慧城市、智慧传感器、隐私保护、加密技术和深度卷积神经网络。

    Nov, 2022

  • 考虑加密域中数据增强的基于像素图像加密的隐私保护深度神经网络

    本研究提出了一种新的隐私保护深度神经网络方案，既能够在训练和测试中将缺乏视觉信息的图像应用于 DNNs，也能够首次在加密域中考虑数据增强，该方法采用了一种新的基于像素的图像加密方法，同时提出了一种适应性网络以降低图像加密的影响，并对知名的 ResNet-18 网络应用该方法进行图像分类实验，结果表明，在加密域中进行数据增强的传统隐私保护机器学习方法包括现有最先进的方法都无法应用，而所提出的方法在分类精度方面表现卓越。

    May, 2019

  • 可学习的保护隐私的行人图像匿名化

    本文探讨了一种隐私保护的匿名化方法，它针对行人图像保留授权模型的个人身份信息（PII），同时防止第三方识别 PII。通过采用前沿的可逆学习方法，把传统隐私保护的监督式匿名方法与身份不变模型相结合训练，以保护隐私并在保证行人图像语义信息完整的同时，在重新识别任务中取得了较好的表现。

    Jul, 2022

  • HiDDeN: 使用深度网络隐藏数据

    文中讨论深度神经网络的鲁棒性，探索使用对抗干扰来做数据隐藏的可行性，并展示了效果竞争力强的编码技术及其在对抗干扰下的鲁棒性的改进方式。

    Jul, 2018

  • 隐私保护的深度学习：基于可变形算子进行安全任务学习

    在云计算和数据驱动应用的时代，保护敏感信息以维护数据隐私是至关重要的，因此，保护深度学习系统中的隐私成为一个关键问题，本研究提出了一种使用一组可形变操作符进行安全任务学习的新型隐私保护框架，在模拟 - 数字转换过程中对像素进行打乱以生成视觉上受保护的数据，然后将其输入到一个融合了可形变操作符的著名网络中，使用我们的方法，用户可以在不进行额外训练的情况下实现与原始图像等效的性能，同时，我们的方法还可以防止未经授权的用户访问，实验证明了我们方法的有效性，展示了它在基于云的场景和隐私敏感应用中的潜力。

    Apr, 2024

  • 不可识别但可辨认：保留嵌入的图像扭曲

    开发生物识别身份验证系统时，隐私和安全是一个重要问题。本文介绍了一种创新的图像扭曲技术，通过神经网络模型使人脸图像在肉眼无法识别的情况下保持其可识别性，既解决了人工智能和工程领域中的相关挑战，又在生物识别身份验证系统中实现了安全、精确性和性能的平衡。

    Jan, 2024